Pytorch线性规划模型 学习笔记(一)

Pytorch视频学习资料参考：《PyTorch深度学习实践》完结合集

Pytorch搭建神经网络的四大部分

• 1. 准备数据 Prepare dataset

  准备数据包括数据的读取加载并转换为torch框架下识别的tensor格式，注意数据的dtype为float32格式

• 2. 设计模型 Design model using class

  网络的基本框架部分，包括自定义的网络layer结构，注意维度的变换要一致，另外，该类中还应包括forward部分

• 3. 构建损失和优化器 Construct loss and optimizer

  根据处理的问题和模型设置合适的损失，或自己构建损失函数。优化器为梯度下降的解决方案，可选择合适的优化器进行梯度下降

• 4. 重复训练 Training cycle

  重复训练部分可以后续设置batchsize的大小，按batch进行随机梯度下降（此代码中暂无设置），注意优化器的清零迭代操作

数据部分

X.csv,y.csv链接: https://pan.baidu.com/s/1dJD8zBewCS86fRgv0nL7kQ 密码: 0us0

下载后与程序放置在同一文件夹下

代码部分

# import

import torch

import numpy as np

## 1. prepare dataset

x_data = 'X.csv'

y_data = 'y.csv'

x = np.loadtxt(x_data, delimiter=' ', dtype=np.float32)

y = np.loadtxt(y_data, delimiter=' ', dtype=np.float32).reshape(-1, 1)

x = torch.from_numpy(x[:, :])

y = torch.from_numpy(y[:, :])

print(y.shape)

print(x.shape)

## 2. design model using class

class LinearModel(torch.nn.Module):

    def __init__(self):

        super(LinearModel, self).__init__()

        self.linear1 = torch.nn.Linear(10, 6)

        self.linear2 = torch.nn.Linear(6, 6)

        self.linear3 = torch.nn.Linear(6, 1)

        self.sigmoid = torch.nn.Sigmoid()

    def forward(self, x):

        x = self.linear1(x)

        x = self.linear2(x)

        x = self.linear3(x)

        x = self.sigmoid(x)

        return x

model = LinearModel()

## 3. construct loss and optimizer

criterion = torch.nn.MSELoss()

optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

## 4. training cycle

for epoch in range(500):

    y_hat = model(x)

    loss = criterion(y_hat, y)

    print('epoch', epoch, loss.item())

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()